Feb, 2024

Cas-DiffCom：婴儿纵向超分辨率3D医学图像补全的级联扩散模型

HTML
PDF
TL;DR我们的研究提出了一种两阶段级联扩散模型(Cas-DiffCom)，用于密集和纵向3D婴儿脑MRI图像补全和超分辨率。在Baby Connectome Project (BCP) 数据集上的实验证实，Cas-DiffCom可以在纵向婴儿脑图像补全中实现个体一致性和高保真性，并且在神经科学领域具有潜在的任务导向潜力。
发现论文，激发创造
  • 3D掩蔽自编码和伪标注用于异质婴儿脑MRI领域自适应分割

    本文介绍了一种名为MAPSeg的新颖框架，它利用3D遮掩自动编码和遮掩伪标签来跨越年龄、模态和场所进行婴儿大脑MRI次皮质区域的分割，该模型能够从标记源域数据和未标记目标域数据中进行联合学习。MAPSeg在不同年龄、模态或获取场所的分割皮层区域任务中，始终优于其他方法。

    Mar, 2023

  • 基于辐射扩散生成模型的自监督胎儿MRI三维重建

    提出了一种基于Radiation Diffusion Generation Model (RDGM)的新型胎儿脑MRI高质量体重建方法，该方法利用Neural Radiation Field (NeRF)和超分辨率生成的扩散模型，使用预训练的transformer模型进行切片配准，进一步增强了体积的全局一致性和区分能力，实验结果表明该方法在真实世界胎儿脑MRI堆栈上表现出最先进的性能。

    Oct, 2023

  • 新生儿和婴儿脑白质纤维估计中的跨年龄和跨场地域偏移影响

    利用深度学习模型从有限扩散磁共振成像数据中估计组织微结构已取得很好的效果，但是在测试和训练数据来自不同扫描仪、协议，或者应用于具有固有变化的婴儿和儿童不断发展的大脑时，这些模型面临着领域转移挑战。我们在201名新生儿和165名婴儿的两个不同群体之间广泛研究了年龄效应和领域转移，使用矩方法和微调策略。我们的结果显示，与新生儿相比，婴儿的微结构发展变化较小，直接影响深度学习模型的跨年龄表现。我们还证明，少量目标域样本可以显著减轻领域转移问题。

    Dec, 2023

  • 通过潜在扩散和先验知识增强时空疾病进展模型

    Brain Latent Progression (BrLP) is a disease progression model that predicts the evolution of diseases at the individual level on 3D brain MRIs. By incorporating prior knowledge from disease models and using Latent Average Stabilization (LAS), BrLP achieves significant improvements in volumetric accuracy and image similarity, thus representing a significant advancement in disease progression modeling for precision medicine.

    May, 2024

  • LoCI-DiffCom：基于纵向一致性的扩散模型用于3D婴儿脑图像补全

    提出了一种基于长期一致性指导的扩散模型 (LoCI-DiffCom) 用于完成缺失的婴儿脑图像数据，该模型在高度稀疏的序列中工作，仅依赖于两个时间点的数据，并表现出良好的性能，有助于更好地描绘早期发育轨迹。

    May, 2024

  • 利用深度分离卷积和注意力机制增强广义胎儿脑磁共振图像分割的级连网络

    提出了一种名为CasUNext的级联网络，用于提高胎儿脑MRI分割的准确性和泛化性，评估结果表明CasUNext在不同情景下取得了改进的分割性能，对于处理多视角胎儿MRI和异常情况具有很大潜力。

    May, 2024

  • 初始化对儿童脑MR图像内部配准的影响：SyN ANTs和基于深度学习方法的比较分析

    该研究评估了常规的SyN ANTs和基于学习的配准方法在儿童神经影像中的表现，重点关注亚型变形配准，结果发现基于深度学习的方法在Dice得分方面略优于SyN ANTs，但SyN ANTs仍然具有鲁棒性和普遍性，不需要大量的训练，强调了在儿科背景下根据特定配准需求选择方法的重要性。

    Jun, 2024

  • 使用隐式神经表征建模新生儿大脑发育

    本研究针对新生儿大脑在妊娠第三个三个月期间的快速发育过程，提出了一种新的建模方法。通过应用隐式神经表征模型，研究者能够有效地解耦个体身份与年龄，以生成不同时间点的2D和3D图像。研究结果表明，该方法在内存使用效率上表现优异，为3D数据的处理提供了新的可能性。

    Aug, 2024

  • 使用机器学习简化胎儿脑部的轨迹描绘

    本研究针对胎儿脑部轨迹描绘中的现有技术局限，提出了一种首个胎儿轨迹描绘的机器学习模型。模型通过整合多种信息源，有效提高了低信号质量下的轨迹重建能力。实验结果表明，该方法在评估胎儿脑部发育的正常与异常方面具有显著提升潜力。

    Aug, 2024

  • 6个月婴儿大脑的自动8种组织分割

    本研究针对6个月婴儿大脑组织自动分割的挑战，提出了一种创新的8种组织分割管道。通过结合领域适应技术和注意力U-Net方法，我们的管道实现了高精度分割，DICE得分达0.92，显著推动了对婴幼儿神经发育状况的研究和临床应用。

    Aug, 2024